可穿戴生物感知的肉羊運輸應激特征參數提取與建模

馬瑞芹 張夢杰 于瑞航 崔 衍 王 想

(1.中國農業大學模式動物重大設施建設辦公室， 北京 100083; 2.中國農業大學工學院， 北京 100083)

0 引言

活羊運輸是肉羊產業中較為重要的環節，而運輸應激嚴重威脅了活羊的機體健康以及羊肉品質。當羊群運輸超過50 km，路途顛簸、肉羊站立不穩、踐踏等現象將誘發肉羊產生應激，應激率高達30%～98.3%，會導致活羊免疫力下降，容易感染急性應激綜合征(Acute stress syndrome,ASS)甚至突斃綜合征(Sudden death syndrome，SDS)[1-5]。隨著活羊心率和乳酸的升高，產熱量、耗氧量上升，肉羊的生理機能改變，導致屠宰后羊肉品質下降、肉色變異甚至出現白肌肉現象[6-9]。因此,如何有效地動態監測肉羊運輸過程，提取應激特征參數，建立應激狀態預測模型，成為肉羊保活物流的關鍵問題。

傳統的活體動物運輸應激檢測方法主要是靜態采血化驗法，檢測設備功耗高不易攜帶，無法做到實時且連續地檢測[10-15]；現有的動態檢測方法更多是基于環境信號，且更多關注的是環境和濕度，無法直接對活羊生理狀態進行實時檢測[16-21]。可穿戴生理感知技術采用生物傳感器獲取人體生理參數，如心率、血壓、體溫、呼吸頻率和血糖等指標的監測,為獲取活羊運輸過程中實時生理信息提供了技術支持，具有低功耗、操作簡便、可移動、持續性監測、無線傳輸和異常生理狀況報警等特性[22-29]。

因此，本研究選取湖羊為研究對象，設計面向肉羊運輸過程的可穿戴生物感知裝置，動態獲取肉羊運輸過程中的心率和體溫，提取應激特征參數，構建應激狀態預測模型，形成一套具有“參數監測-特征提取-狀態預測”功能的肉羊運輸應激動態檢測系統，解決肉羊運輸監管與品質控制等問題。

1 肉羊運輸應激的信號檢測裝置設計與建模

1.1 應激參數感知機理

肉羊運輸應激參數動態關系如圖1所示，肉羊運輸應激由應激源產生生物信號從而影響肉羊的生理狀態，肉羊運輸應激源產生的關鍵信號主要包括環境中的微環境信號、運輸振動擁擠等物理信號和肉羊自身的心率、血糖、血壓生理信號。本文選取體溫和心率來表征肉羊運輸應激狀態。

傳統的心電圖測量方法存在一定的局限性，通常需要3個電極附著在特定的身體部位，限制了被測活體動物的活動，使被測者感到不適。光電容積脈搏波描記法(Photo plethysmo graphy,PPG)通過血管脈動引起的羊組織不同透光率來測量脈搏和血氧飽和度，制作成本較低的光學測量脈搏波信號技術，是一種非侵入、無創式的心率檢測方法，可以應用于任何含有動脈血的組織部位[30-32]。該光電傳感器由光源和光電變換器兩部分組成，通過捆綁帶或夾子固定在活羊脖子下面裸露的皮膚上。光源通常使用特定波長的發光二極管，這些發光二極管對動脈血中的氧合血紅蛋白(HbO2)和血紅蛋白(Hb)具有選擇性。當光束通過羊體表皮外周血管時，光束的透光率隨動脈搏動充血體積的變化而發生變化。此時，被肉羊皮膚組織反射的光被光電轉換器接收轉換成電信號，放大并傳送到控制器中。脈沖是隨著心臟跳動周期性變化的信號，動脈血管的體積也周期性變化，光電傳感器的電信號變化周期即是心率。通過測量血液中血紅蛋白隨心跳的吸氧變化來測量肉羊脈搏波參數。該方法具有響應速度快、性能穩定、適應性強等特點。

1.2 檢測裝置設計與開發

肉羊運輸關鍵參數檢測裝置的主從傳感器節點框架如圖2所示，包括主傳感器節點和從傳感器節點，從傳感器節點包含一個8位AVR微控制器(ATmega328P型，微芯科技有限公司，美國)、射頻收發器CC2540、脈搏波傳感器和紅外溫度傳感器，部署在湖羊的脖頸內側并固定。主傳感器節點包括AVR微控制器(ATmega2560P，微芯科技有限公司，美國)、射頻收發器CC2540、Micro SD卡、GPS、三軸加速度傳感器，溫度傳感器、濕度傳感器安置在湖羊背部并固定。實地運輸時，從屬端傳感器節點實時感知肉羊生命體征信號的動態波動，而主端傳感器節點匯聚接收來自于從屬端傳感器節點連續實時獲取的生命體征信號，結合自身獲取到的環境傳感信號一起本地保存并發送到遠程監控端。

脈搏波傳感器使用峰值波長為515 nm的綠色發光二極管芯片(Kingbright，AM2520)，而光接收器使用峰值波長為565 nm的芯片(Avago，APDS-9008)，適用于脈搏波形檢測和肉羊運輸應激特征參數分析的光電反射模擬傳感器芯片。傳感器本身集成了完整的發光LED 及驅動部分、光感應和AD轉換部分、環境光干擾消除及數字濾波部分以及數字接口輸出。單片機通過硬件I2C或者模擬I2C 接口來讀取傳感器信號。脈沖信號的頻帶通常在0.05～200 Hz范圍內，其感知信號的幅度變化非常小，通常在毫伏水平，通過低通濾波器以及運算放大器MCP6001將脈搏波信號放大了330倍，通過分壓電阻設計將DC偏置電壓調整為電源輸入電壓的1/2，使得單片機能夠更好地采集放大后的脈搏波信號[31]。將其戴在羊的后頸、耳部和其他與皮膚接觸的部位，通過有線通信連接，可以將脈搏模擬信號發送到Arduino單片機內，經過模數轉換器轉換成數字信號。表1為主從傳感器節點主要元器件型號及相關參數。

表1 主從傳感器節點主要元器件型號及相關參數Tab.1 Type and related parameters of sensor nodes components

1.3 活羊運輸過程應激特征參數提取方法

對于肉羊運輸應激特征參數的研究首先從心臟結構以及心臟跳動規律入手。正常肉羊脈搏波(PPG)信號波形如圖3所示，其中PPG為心臟跳動而產生的脈搏波信號，每個心動周期包括P、QRS、T波。QRS波群中的R波波形陡峭且具有高振幅，通常用作脈搏波特征檢測的標記特征。兩個相鄰R波之間的時間間隔定義為R間隔，用于指示心臟連續跳動的時間間隔[33]。連續心跳之間的R間隔的變化表示肉羊運輸應激特征參數。肉羊運輸應激特征參數的分析方法基于R間隔測量。VPG(Velocity plethysmo graph)為脈搏波的一次微分波形，APG(Accelerated plethysmo graph)是脈搏波的二次微分波形[34]。PPG脈搏波檢測波形圖如圖3所示。

本文選擇了5個肉羊運輸應激特征參數[35-36]作為評價指標，分別為平均值(MR)、標準偏差(SDNN)、平方和均方根(RMSSD)、RR間隔數量(pNN50)和變異系數(CV)。5個指標反映了肉羊運輸應激的不同特征。SDNN用于評估肉羊運輸應激特征的整體變化。RMSSD反映了肉羊運輸應激特征參數的快速變化分量，它與頻譜中的高頻分量有關。RR間隔數量反映了心跳周期變化。CV表示肉羊運輸應激特征變異程度。

1.4 肉羊運輸應激狀態預測模型

1.4.1肉羊運輸應激狀態等級量化

通過在內蒙古、青海、遼寧以及河南等省區進行多次實地調研，獲得了肉羊在運輸過程中的外在表觀應激狀態信息。參照卡羅林斯卡嗜睡量表(Karolinska sleepiness scale)的評分方法[37]，將整體壓力水平分為7個等級：非常警覺、相對警覺、有點警覺、沒有影響、有點疲勞、相對疲勞、非常疲勞，相應得分為-3、-2、-1、0、1、2、3，而各個應激狀態等級相應的外在生物表觀特征如表2所示。養殖戶或牧民可以根據肉羊在運輸過程中表現的應激狀態，結合各應激等級的外在生物表觀特征，初篩較為相符的總體應激程度，若要準確判斷則由專業工具檢測結果得出每個時段的總體應激程度等級。

表2 肉羊運輸應激狀態特征表Tab.2 Characteristics of transport stress state of mutton sheep

表2中有關壓力相關癥狀的描述方法來自于日本疲勞研究協會發表的大島正樹疲勞癥狀分類表[37]。表2只是將疲勞癥狀初步劃分為3類：身體疲勞、精神疲勞和神經感覺疲勞。而其中每類具有6～10個具體癥狀，每個癥狀又劃分為5個級別：無、輕微、中等、嚴重和非常嚴重。其生物表觀相對應的分值為0、1、2、3、4。受試者與專業醫師可以根據其在每個階段的感受和疲勞癥狀進行記錄分析。研究表明，表2在活羊運輸過程中依然具有信度和效度。

參照專家經驗的知識規則庫對運輸應激狀態的劃分，結合實驗中的應激檢測結果，將肉羊的應激狀態分為3個水平，即舒適1級、應激2級和中間態3級，分別對應類別標簽1、2、3。對照表2，舒適1級得分為0；應激2級得分為-3、-2、2、3；中間態3級得分為-1、1。

1.4.2基于支持向量機的肉羊運輸應激狀態預測模型

基于支持向量機原理建立肉羊運輸應激狀態預測模型的過程包括3個典型步驟[38]：①算法模型輸入變量的選取階段，將脈搏波信號、肉羊運輸應激特征參數和體溫特征參數共同作為輸入集，并將300組數據按照7∶3分為211組訓練集與89組測試集。②模型訓練階段，根據需求調整核函數，采用不同算法來優化模型運行所需的模型調優參數，算法模型經過211組數據的訓練即可得到相應的運輸應激狀態預測模型。③模型測試階段，使用余下的89組測試集對建立的運輸應激狀態預測模型進行準確性測試。

部分特征參數由于量綱不同導致數據差異性過大，如參數MR在400～700之間，而參數RMSSD一般在1～9之間，兩者在數量級上差別很大。并且量級大的特征參數會凸顯自身的作用和貢獻，導致量級小的特征參數被忽視，除此之外還會消耗更多的算力。因此在模型參數輸入前需要對特征參數進行歸一化(Normalization)，這樣在使用梯度下降求解最優化問題時，可以加快梯度下降的求解速度，即提升模型的收斂速度并且使得應激預測模型的狀態分類準確率顯著提高。

2 試驗方案

本研究針對應激感知的可穿戴生物感知傳感器，通過無損安裝方式，依據不可見光感應材料與皮膚中的應激因子發生光學反射反應產生微弱電信號，并通過信號放大器放大處理后將有效信息進行波形抽取與特征參數估計得到穩定準確的生物感知信號，為進一步試驗做準備。

2.1 試驗肉羊的篩選與初始應激程度標記

在江蘇省鹽城市購買了60只同期發情并且生物機體條件(年齡、體質量、品種和毛密度)幾乎相同的雄性湖羊作為試驗對象。選擇10只雄性湖羊(占總數的16.7%)作為肉羊運輸應激測試的試驗用羊。每只試驗肉羊之前均未用卡車運輸過。考慮到疾病等外部條件對肉羊運輸應激特征參數的干擾影響，所有試驗肉羊皆通過獸醫全面診斷確認為機體健康且沒有心血管和腦血管等疾病。在測試前需要保證試驗肉羊充足睡眠，且不能疲勞，情緒穩定。試驗前不喂食含有咖啡因、酒精和其他影響血壓和心率的飼料或藥物。在專業獸醫的協助下，成功標記了500組試驗數據的應激程度標簽。

2.2 檢測裝置安裝與供應鏈跟蹤

實地跟蹤朝陽市到赤峰市短途肉羊供應鏈，運輸前把設計的主從端傳感器節點按計劃布置(圖4)，從傳感器節點部署在湖羊的脖頸內側并固定，主傳感器節點安置在湖羊背部并固定；實地運輸時，從端傳感器節點實時感知肉羊生命體征信號的動態波動。主端傳感器節點匯聚接收來自從端傳感器節點實時獲取的生命體征信號，與其獲取到的環境傳感信號一起保存并發送到遠程監控端。

3 試驗結果與分析

3.1 肉羊運輸應激特征參數分析

肉羊運輸過程中心率和體溫的變化曲線如圖5所示。肉羊在運輸過程中的心率與溫度呈一定程度的相關性，尤其在初始階段，肉羊的心率和體溫整體呈現上升趨勢，在運輸中期肉羊心率和體溫整體呈現穩定狀態，到運輸末期，肉羊中心率仍然顯著增高，但體溫不再繼續增高。

為了更詳細地分析肉羊運輸過程應激反應，選擇肉羊運輸應激特征參數的5個時域特征(MR、SDNN、RMSSD、pNN50、CV)來描述肉羊在運輸過程中的應激狀態。在運輸前，肉羊得到正常休息與喂養，并且提前經過化驗沒有明顯的應激癥狀。運輸120 min后，肉羊出現應激反應，經常出現眼瞼閉合、眼睛用力擠壓、搖頭等應激現象。根據運輸前后比較均值和標準差的配對t檢驗結果，均值和標準差在運輸前后有顯著性差異(P<0.05)。

將380 min的PPG數據分成38段，每段10 min，記錄為第1、2、…、38期，獲得每個時間段的MR、SDNN、RMSSD、pNN50、CV值。使用Kolmogorov-Smirnov方法測試了第1期至第38期5個指標的正態性檢驗，在0.05的顯著概率下，5個特征都顯著地服從正態分布群體(P>0.05)。

從圖6可以看出，時域分析指標MR、RMSSD、pNN50在運輸過程中隨運輸時間的增加逐漸上升，說明在運輸過程中肉羊RR間的均值與心跳的變化逐漸增加。與初始時刻相比，肉羊在載羊貨車運輸時因路況環境復雜，外部刺激負荷較大，心跳頻率加快。之后肉羊逐漸適應了運輸過程，隨著速度的增加和斜率的增大，RR間的平均值增大。隨著運輸過程變得越來越穩定，MR的變化幅度放緩，由于應激反應的出現，RR間的均值逐漸增加。

相較于其他時域指標，RMSSD可以清楚地表現出肉羊運輸應激程度的漸變過程，二者成正比。RMSSD在運輸過程中逐漸上升，說明肉羊在貨車上的應激程度正在加快變化。RMSSD在運輸初期的波動很大，主要原因可能為肉羊剛經過裝載上車，心理緊張，導致RMSSD曲線不穩定；后續運輸過程中肉羊對運輸條件逐漸適應，心理緊張逐漸緩解，RMSSD信號逐漸穩步上升，說明肉羊開始表現出運輸應激反應，并逐漸累積加深。在運輸中后期RMSSD的變化逐漸平緩，說明肉羊運輸應激程度正在減小，而肉羊機體則逐漸顯現出抗應激性。

所有時域分析指標MR、SDNN、RMSSD、pNN50和CV都表現出一定的線性趨勢，且與時間高度相關。回歸分析結果表明，RMSSD曲線的斜率大于SDNN曲線斜率的絕對值，說明RMSSD增速更快，變化更明顯。

從圖7可以看出，提取的特征參數服以正態分布，結合圖6可知，MR在第1和第2周期比較小。與未運輸時相比較，當人工裝載到卡車上時，肉羊心跳增加并且感到恐慌。由于逐漸適應運輸環境，MR在第3至第5周期分布個數增加。當適應運輸時，它顯示出緩慢增加的趨勢。然而，由于運輸環境和道路條件不穩定，MR值沒有顯著波動且不穩定。SDNN能夠反映肉羊的應激加深過程，SDNN在運輸過程中顯著上升，表明肉羊的應激水平在增加，與RMSSD相同。pNN50和CV反映了肉羊運輸應激特征參數的整體變化。通過對5個時域特征的分析，得到了在運輸過程中肉羊運輸應激特征參數的變化特征，從而顯示了運輸應激的變化。

由圖8的線性回歸分析結果可知，MR指數與時間的皮爾遜相關系數為0.432，表明MR指數與時間呈正相關，相關度中等。SDNN指數與時間的皮爾遜相關系數為0.338，表明SDNN指數與時間的相關程度略低。RMSSD指數與時間的皮爾遜相關系數為0.595，表明RMSSD指數與時間呈正相關，相關度較強。pNN50指數與時間的皮爾遜相關系數為0.585，表明pNN50指數與時間呈正相關，相關度較強。而CV指數與時間的皮爾遜相關系數為0.114，表明CV指數與時間呈正相關，相關度較弱。5個時域指標呈現不明顯的線性趨勢，其線性回歸分析的顯著性分析結果皆為P<0.01，這說明擬合方程具有一定的線性關系。該擬合回歸模型可以在一定程度上定量表征5個時域指標的線性變化趨勢。

3.2 肉羊運輸過程應激狀態預測模型

基于支持向量機的肉羊運輸過程定態應激預測模型的輸入特征參數是心率、MR、SDNN、RMSSD、pNN50、CV以及體溫，輸出變量是肉羊的應激預測狀態。如圖9所示，采用遺傳算法(GA)對懲罰參數c和核函數參數g進行優化，得到最優參數解為c=38.856 5、g=0.777 05，分類準確率為95.283%。

為檢測已訓練好模型的準確度，采用最優懲罰參數c和核函數參數g分別對肉羊運輸應激狀態預測模型進行整體性能測試。模型對測試集的分類測試結果如圖10所示。

對測試集數據進行應激模型的性能預測,根據模型測試結果，參數優化前后的不同狀態分類準確率如表3所示。

表3 參數優化前后不同狀態分類準確率比較Tab.3 Comparison of state classification accuracy of different algorithms for SVM optimization

從表3可以看出，類別標簽1、2的模型分類準確率較高，而類別標簽3存在一定誤判，模型準確率較低。結合肉羊運輸過程的實際情況進行分析，可知1級和2級為肉羊相對較為極端的狀態，即舒適狀態和確定應激狀態，由于這兩種狀態的肉羊脈搏波和體溫信號容易識別，所以該應激模型的識別準確率很高，但肉羊處于輕微應激狀態時，此時脈搏波和體溫信號變化不明顯，所以整體模型的識別率也略低。并且該試驗設計無法排除試驗羊體之間因體質或神經差異而導致的模型誤判。

通過使用脈搏波特征、體溫特征以及融合特征3種單變量輸入運輸應激狀態分類模型，用以驗證生物感知信息融合技術是否能夠改善模型對肉羊運輸應激狀態的預測結果，其分類結果如表4所示。

表4 單一特征和融合特征模型的分類準確率Tab.4 Classification accuracy of single feature and fusion feature

由表4可知，生物感知信號的融合特征模型識別效果比單一特征好。在肉羊運輸過程中，特征融合后的應激狀態預測模型的識別準確率明顯高于PPG和體溫特征的模型識別準確率，其總體準確率為93.26%，這表明多元融合的生物感知信號可以更準確地表現出肉羊運輸應激的狀態并進行狀態預測。PPG特征模型的識別準確率比體溫特征模型的識別準確率高10.11個百分點，這說明PPG信號可以表征肉羊的運輸應激狀態，而體溫信號表征的應激狀態準確性稍弱，但是也可以作為輔助特征參數與PPG信號綜合進行肉羊運輸應激的狀態預測。

生物感知信號PPG和體溫融合特征參數能夠高效分辨肉羊運輸應激狀態，說明通過支持向量機模型訓練所構建的肉羊運輸應激狀態預測模型性能良好，且總體準確率較高。

4 結論

(1)針對傳統的應激反應檢測方法，在動物養殖運輸過程中無法做到實時且連續檢測的問題，本文設計了適用于肉羊運輸過程中的可穿戴生物與環境信號的動態檢測裝置，實現了對運輸過程中影響肉羊應激反應的應激特征參數、體溫、環境溫濕度和加速度等信息的實時獲取。

(2)利用時域分析方法提取了肉羊運輸應激特征參數，并對活羊運輸過程中的應激狀態進行分析。MR、RMSSD、pNN50在運輸過程中隨運輸時間的增加逐漸上升，運輸初期波動較大，后續運輸過程中肉羊對運輸條件逐漸適應，上升趨勢平緩，SDNN在運輸過程中顯著上升，表明肉羊的應激水平在增加，與RMSSD相同，pNN50和CV反映了肉羊運輸應激特征參數的整體變化。

(3)構建了基于支持向量機的肉羊運輸過程定態應激預測模型，參數優化后的模型對應激水平1、2、3的識別準確率分別為100%、97.14%、80.00%，表明通過PPG和體溫融合特征參數能夠有效地識別運輸中的3個應激水平。